Dare forma alle emozioni dentro un sistema di raccomandazione
Lo studio prova a trasformare un’idea teorica in un modello operativo: non registrare soltanto ciò che piace a un utente, ma anche lo stato affettivo in cui quella preferenza è stata espressa
Lo studio propone un modello di personalizzazione che prova a descrivere l’utente non solo attraverso ciò che gli piace, ma anche attraverso lo stato affettivo in cui quelle preferenze vengono espresse. L’obiettivo è costruire un sistema capace di mettere in relazione scelte, emozioni e contenuti da raccomandare. In questa prospettiva, la raccomandazione non dipende più soltanto dall’accumulo di preferenze passate, ma dal modo in cui quelle preferenze vengono rilette alla luce delle condizioni emotive che le accompagnano. È qui che la dimensione affettiva entra nella logica del modello.
Per rendere possibile questa impostazione, lo studio introduce l’idea di profilo affettivo dell’utente. In un sistema tradizionale, il profilo conserva soprattutto tracce di preferenze: valutazioni, scelte, comportamenti, interessi ricorrenti. Qui invece il profilo viene ampliato. Ogni preferenza raccolta viene affiancata, quando possibile, dallo stato affettivo vissuto dall’utente nel momento in cui quella preferenza è stata espressa. Il risultato è una memoria più ricca, che non contiene soltanto l’informazione che un certo contenuto è piaciuto, ma anche un’indicazione sul modo in cui quell’apprezzamento si è situato dentro l’esperienza emotiva della persona. La preferenza non viene dunque archiviata come un dato separato dal contesto, ma come un evento collegato a una precisa condizione affettiva.
Questo stato affettivo, nello studio, non viene ipotizzato in modo astratto, ma ricavato dai messaggi testuali pubblicati dall’utente sui social in una finestra temporale vicina al momento in cui la preferenza viene espressa. L’idea è che i contenuti condivisi attorno a quel momento possano offrire una traccia utile per descrivere la condizione emotiva in cui la scelta prende forma. Per rappresentare tale condizione, gli autori adottano sei emozioni di riferimento: gioia, rabbia, tristezza, sorpresa, paura e disgusto. Lo stato affettivo dell’utente viene così trattato come una combinazione di queste sei dimensioni, che consente al sistema di confrontare momenti diversi e di mettere in relazione il presente con le preferenze passate. La ricerca, comunque, precisa di lavorare su dati pubblici anonimizzati e richiama la necessità di affrontare il tema della privacy in eventuali applicazioni reali. In questo modo, la dimensione emotiva diventa una componente descrivibile e confrontabile del profilo dell’utente.
Questo cambia anche il significato stesso della preferenza. Nello studio, essa non viene trattata come un segnale stabile e autosufficiente, valido allo stesso modo in ogni circostanza. Al contrario, la scelta passata viene letta come qualcosa che ha preso forma in una situazione determinata e che porta con sé l’impronta di quella situazione. Una valutazione positiva non significa quindi che un oggetto sia adatto sempre e comunque, ma che in una certa condizione, per quella persona, ha corrisposto a un bisogno, a una disposizione o a un equilibrio emotivo specifico. Il profilo affettivo serve proprio a conservare questa traccia e a impedire che il comportamento dell’utente venga ridotto a una somma di preferenze astratte, separate dalle situazioni in cui sono emerse.
Accanto alla rappresentazione dell’utente, lo studio lavora anche sulla rappresentazione degli oggetti da raccomandare. L’idea è che anche gli oggetti possano essere descritti in termini affettivi, cioè associati a un certo profilo emotivo ricavato dalle loro caratteristiche. Gli autori riconoscono però che la risposta emotiva a un contenuto non è identica per tutti: la stessa canzone romantica, osservano, può evocare felicità in una persona e tristezza in un’altra, a seconda della situazione vissuta. Proprio per rendere il modello utilizzabile, scelgono comunque di attribuire agli oggetti una descrizione affettiva stabile, legata alle loro caratteristiche e non alle reazioni individuali possibili. Il sistema, dunque, introduce una semplificazione, ma lo fa in modo dichiarato.
Su questa base viene introdotto il concetto di coerenza affettiva. Il sistema prova a capire quanto un contenuto non ancora valutato sia adatto allo stato attuale dell’utente, mettendo in relazione tre elementi: ciò che l’utente prova ora, ciò che ha provato in passato quando ha espresso certe preferenze e il profilo affettivo dell’oggetto da suggerire. La raccomandazione nasce dunque da un confronto tra presente e memoria. Il sistema cerca somiglianze tra la situazione attuale e situazioni precedenti già registrate nel profilo dell’utente, e valuta se l’oggetto candidato sia coerente con questo intreccio. La nozione di coerenza affettiva serve precisamente a misurare questo grado di compatibilità tra contenuto, storia delle preferenze e stato emotivo corrente.
Un aspetto importante del modello è che la componente affettiva non sostituisce le altre informazioni, ma si aggiunge ad esse e le riorganizza. Lo studio non propone di abbandonare le caratteristiche degli oggetti o le somiglianze tra contenuti, bensì di integrarle con un livello ulteriore di analisi. Per questo la raccomandazione finale nasce dall’incontro tra due dimensioni: da una parte la vicinanza tra oggetti sulla base delle loro caratteristiche, dall’altra la loro compatibilità con il profilo affettivo dell’utente e con il suo stato presente. In questa impostazione, l’innovazione non consiste soltanto nell’inserire un nuovo dato dentro il sistema, ma nel cambiare il modo in cui il sistema interpreta il rapporto tra preferenze passate e raccomandazione.
Il significato complessivo di questo modello sta nel tentativo di rendere operativa un’idea precisa: le preferenze non dipendono solo da ciò che una persona ama in generale, ma anche da come si sente quando sceglie. Lo studio traduce questa intuizione in una struttura capace di guidare la personalizzazione senza separare le scelte dalle condizioni in cui maturano. Da questo punto di vista, la raccomandazione smette di essere soltanto il risultato di somiglianze astratte tra gusti o contenuti e diventa il prodotto di una relazione tra memoria, emozioni e situazione presente. In questo passaggio si riconosce il nucleo del modello proposto.
Questo articolo nasce nell’ambito delle attività di Terza Missione promosse da Stroncature in collaborazione con l’Università degli Studi di Bari Aldo Moro, nel quadro delle iniziative di Public Engagement finanziate dal “Bando per Finanziamento di Iniziative di Public Engagement” a valere sul Progetto “Sistema Universitario Pugliese”, finanziato nell’ambito della misura “Patti Territoriali dell’Alta Formazione per le Imprese” (CUP F61B23000370006). Il testo rielabora in forma divulgativa il contributo scientifico “Towards Emotion-aware Recommender Systems: an Affective Coherence Model based on Emotion-driven Behaviors” di Marco Polignano, Fedelucio Narducci, Marco de Gemmis e Giovanni Semeraro, pubblicato in Expert Systems With Applications, vol. 170, 2021, art. 114382, DOI 10.1016/j.eswa.2020.114382, per renderne i contenuti più fruibili a un pubblico non specialista.
